WORK IN PROGRESS
1 Was Sie hier lernen und wozu das gut ist
In diesem Modul lernen Sie das Handwerk der Prognose: Auf Basis von Fakten (Daten) den (noch unbekannten) Wert einer Zielvariablen vorherzusagen. Zum Beispiel wieviel Umsatz von einem Kunden mit einem bestimmten Profil im Schnitt zu erwarten ist. Damit lernen Sie die Grundkompetenzen zum Berufsbild Data Scientist – ein angesagtes Berufsbild unserer Zeit. Außerdem lernen Sie etwas Handwerkszeug der (quantitativen) Forschung; der überwältigend große Teil der Forschung basiert auf Ideen, von denen Sie ein paar in diesem Kurs lernen.
2 Modulüberblick
| ID | KW | Datum_Beginn | Titel_Link |
|---|---|---|---|
| 1 | 11 | 2022-03-14 | ERRRstkontakt |
| 2 | 12 | 2022-03-21 | Datenimport |
| 3 | 13 | 2022-03-28 | Datenjudo |
| 4 | 14 | 2022-04-04 | Deskriptive Statistik, Teil 1 |
| 5 | 15 | 2022-04-11 | Deskriptive Statistik, Teil 2 |
| 6 | 16 | 2022-04-18 | Aufholwoche |
| 7 | 17 | 2022-04-25 | Praxisprobleme der Datenaufbereitung |
| 8 | 18 | 2022-05-02 | Datenvisualisierung |
| 9 | 19 | 2022-05-09 | Fallstudien zur EDA |
| 10 | 20 | 2022-05-16 | Lineare Modell 1 |
| 11 | 21 | 2022-05-23 | Lineare Modelle 2 |
| 12 | 22 | 2022-05-30 | KEIN UNTERRICHT in dieser Woche |
| 13 | 23 | 2022-06-06 | Wiederholung |
| 14 | 24 | 2022-06-13 | Fallstudie zur Regression |
| 15 | 25 | 2022-06-20 | Klassifikation |
| 16 | 26 | 2022-06-27 | Vertiefung |
4 Modulliteratur
Ein Teil der Literatur ist über viele Hochschulbibliotheken als PDF herunterladen; andere Titel sind offen im Internet verfügbar. Oft müssen Sie per VPN angemeldet sein für Volltextzugriff, wenn Sie nicht auf dem Campus sind.
- Zentrale Begleitlektüre ist Sauer (2019).
- Weiterführende Literatur (nicht zwingend nötig, aber ggf. nützlich): Wickham and Grolemund (2018) (abgekürzt als R4DS) und Çetinkaya-Rundel and Hardin (2021) (abgekürzt als IMS, frei hier im Netz verfügbar).
Weitere Literatur:
- Um grundlegende Mathekenntnisse aufzufrischen ist Knorrenschild (2021, Kap. 1-3 und 4.1-4.2) empfehlenswert.
- Ein Überblick über weitere, empfehlenswerte Literatur zum Einstieg in Statistik findet sich hier.
- Eine lockere, zur Vertiefung geeignete, aber nicht direkt prüfungsrelevante Monographie ist Bueno de Mesquita and Fowler (2021) (abgekürzt als ThinkingClearly).
5 Vorbereitung vor dem Kurs
5.1 Installation von R und seiner Freunde
- Installieren Sie R und seine Freunde.
- Installieren Sie die folgende R-Pakete:
- tidyverse
- weitere Pakete werden im Unterricht bekannt gegeben (es schadet aber nichts, jetzt schon Pakete nach eigenem Ermessen zu installieren)
5.2 Videos
Auf meinem YouTube-Kanal finden Sie eine Menge Videos, die zum Stoff passen.
- QM1-Playlist - Allgemeine Playlist mit allen Videos zu QM1 (SoSe 2022)
5.3 Lernhilfen
- R Syntax aus dem Unterricht findet sich im Github-Repo bzw. Ordner zum jeweiligen Semester.
- Frag-Jetzt-Raum zum anonymen Fragen stellen während des Unterrichts. Der Keycode wird Ihnen vom Dozenten bereitgestellt.
- Padlet zum einfachen (und anonymen) Hochladen von Arbeitsergebnissen der Studentis im Unterricht. Wir nutzen es als eine Art Pinwand zum Sammeln von Arbeitsbeiträgen. Die Zugangsdaten stellt Ihnen der Dozent bereit.
- Miro-Board genutzt als elektronische Tafel
5.4 Daten
- Saratoga Houses
6 Themen
6.1 ERRRstkontakt
6.1.1 Lernziele
- Sie kennen zentrale Begriffe im Kontext der Datenanalyse.
- Sie können den Unterschied zwischen Signal und Rauschen erklären.
- Sie können zentrale Kompetenzen im Berufsfeld Data Science nennen.
- Sie können R starten (installieren).
- Sie wissen, was R-Pakete sind und können sie installieren und starten.
- Sie können grundlegende Operationen in R durchführen, wie Variablen zuweisen und auslesen.
6.1.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. die Videos an.
- Installieren Sie R, RStudio und die benötigten Pakete, falls noch nicht getan. Alternativ können Sie sich ein Konto bei RStudio Cloud anlegen und das RStudio Cloud Projekt zu diesem Modul nutzen (dann benötigen Sie keine Installation von R auf Ihrem Computer).
6.1.3 Literatur
- MODAR, Kap. 1-4
6.1.4 Videos
6.1.5 Skript
6.1.6 Aufgaben
- Stellen Sie das Berufsbild ‘Data Scientist’ vor!
- Erstellen Sie ein Meme zum Thema Statistik bzw. Data Science!
- Erklären Sie die Installation von R (und seiner Freunde)!
- Erklären Sie, was man in der Mathe unter einer Funktion versteht!
- Fassen Sie die Literatur zum heutigen Thema zusammen (z.B. im Rahmen eines Mindmaps oder einer geteilten Dokuments)!
6.1.7 Vertiefung
- Berufsbild Data Scientist
- Video: Data Science vs. Statistics
- Zehn unverzichtbare Fertigkeiten für jeden Data Scientist
- Data Science Memes
- Data Science und das Scharnier zwischen Theorie und Praxis
- Data Science Skills
- Anatomie von Data Science
- Infografik Data Scientist
- Video: Learning from eight years of data science mistakes
- Verdienst einer deutschen Data Scientistin
- Hilfe zur Installation von R und RStudio
- Einstieg in R mit dem ‘R-Blitzkurs’
- Einführung in R von OpenIntro
- Installationsanleitung für R und RStudio von ModernDive
- Was sind R-Pakete? (ModernDive)
- RStudio Cloud Project für dieses Modul
- Tiefer gehender Online-Kurs zu R via Coursera (Johns Hopkins University)
- Playlist mit Lerntechniken speziell für mathematisch orientierte Fächer
- RStudio Cloud Project für dieses Modul
6.1.8 Hinweise
- Bitte beachten Sie die Hinweise zum Präsenzunterricht und der Streamingoption.
- Bitte stellen Sie sicher, dass Sie einen einsatzbereiten Computer haben und dass die angegebene Software läuft.
6.2 Datenimport
6.2.1 Lernziele
- Sie können Daten (verschiedener Formate) in R importieren.
- Sie kennen einige Datenstrukturen in R.
- Sie wissen, was ‘tidy Data’ ist.
- Sie können ‘unaufgeräumte’ Datensätze bereinigen.
6.2.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. die Videos an.
6.2.3 Literatur
- MODAR, Kap. 5-6
- Data Organization in Spreadsheets
6.2.4 Videos
6.2.5 Aufgaben
6.3 Datenjudo
6.3.1 Lernziele
- Sie können Daten in R aufbereiten mit dem Tidyverse.
6.3.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.3.3 Literatur
- MODAR, Kap. 7
6.3.4 Videos
6.3.5 Skript
6.3.6 Aufgaben
6.4 Deskriptive Statistik, Teil 1
6.4.1 Lernziele
- Sie beherrschen grundlegende Operationen der univariaten deskriptiven Statistik sowohl für Lage- als auch Streuungsmaße.
6.4.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.4.3 Literatur
- MODAR, Kap. 8
- IMS, Kap. 5
6.4.6 Aufgaben
6.5 Deskriptive Statistik, Teil 2
6.5.1 Lernziele
- Sie verstehen die Grundkonzepte der Korrelation und können diese in R berechnen.
- Sie kennen Maße zur Berechnung des Zusammenhangs nominaler Variablen und können diese in R anwenden.
6.5.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.5.3 Literatur
- MODAR, Kap. 8
- MODAR, Kap. 10
- IMS, Kap. 4-6
6.5.4 Videos
6.5.6 Aufgaben
6.5.7 Vertiefung
- Visualisieurng zur Korrelation
- ThinkingClearly, Kap. 4
- Vertiefung zu Korrelation
6.5.8 Hinweise
- Diese Woche endet die Vorlesung schon um 14.45h. Schauen Sie sich daher ggf. die Videos zu diesem Thema an.
6.6 Aufholwoche
6.6.1 Lernziele
- Sie vertiefen Ihr Wissen in den bisher gelernten Themen.
- Sie schließen etwaige Lernlücken individuell und selbständig.
6.6.2 Skript
- In dieser Woche gibt es kein Skript.
6.6.3 Aufgaben
- Wiederholen Sie die bisherigen Aufgaben.
6.6.4 Hinweise
- In dieser Woche fällt die Vorlesung aus (Ostern).
6.7 Praxisprobleme der Datenaufbereitung
6.7.1 Lernziele
- Sie wissen mit typischen Problemen der Datenaufbereitung umzugehen, wie mit fehlenden Werten, Datenanomalien oder Formatänderung der Tabelle.
- Sie kennen die grundlegenden Eigenschaften der Normalverteilung.
6.7.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.7.3 Literatur
- MODAR, Kap. 9
6.7.4 Videos
6.7.5 Skript
- In dieser Woche gibt es kein Skript.
6.7.7 Vertiefung
6.7.8 Hinweise
- Der Unterricht in dieser Woche ist sehr praktisch; es gibt keine Theorie (und daher auch kein Skript). Sie profitieren vom Unterricht am meisten, wenn Sie die Literatur vorab gelesen haben.
- Die Literatur können Sie sich als E-Book von der Bib ausleihen
- Die Installation des R-Pakets ‘pradadata’ ist in MODAR, Kap. 3.2.3 beschrieben
6.8 Datenvisualisierung
6.8.1 Lernziele
- Sie können Daten visualisieren, um wesentliche Einsichten zu vermitteln.
6.8.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.8.3 Literatur
- MODAR, Kap. 11
- ggplot2-Cheatsheet
6.8.4 Videos
6.8.5 Skript
6.8.6 Aufgaben
6.8.7 Vertiefung
- From Data to Viz
- The R Graph Gallery
- Cheatsheets für R, z.B. zu GGplot
- Wilke: Fundamentals of Data Visualization
- Showcase ggplot2](https://www.cedricscherer.com/slides/2019-08-28-intro-ggplot-statsizw#1)
- Blog zum Thema Data-Viz mit ggplot2](https://www.cedricscherer.com/)
- Tidytuesday
- DataViz mit R von Ijeamakaanyene
6.9 Fallstudien zur EDA
6.9.1 Lernziele
- Sie können die gelernten Techniken der explorativen Datenanalyse praktisch anwenden.
6.9.2 Vorbereitung
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.9.3 Literatur
- NA
6.9.4 Videos
6.9.5 Aufgaben
6.9.6 Vertiefung
6.9.7 Hinweise
- In dieser Woche gibt es kein Skript, da es keinen neuen Stoff gibt. Stattdessen steht Anwendung des gelernten im Mittelpunkt.
6.10 Lineare Modell 1
6.10.1 Lernziele
- Sie verstehen die Methoden des Modellierens.
6.10.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.10.3 Literatur
- MODAR, Kap. 15
6.10.4 Videos
6.10.5 Skript
6.11 Lineare Modelle 2
6.11.1 Lernziele
- Sie verstehen die Grundkonzepte der Regression und können diese in R anwenden.
6.11.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.11.3 Literatur
- MODAR, Kap. 18
6.11.4 Videos
6.11.5 Skript
6.11.6 Aufgaben
- NA
6.11.7 Vertiefung
6.11.8 Hinweise
- Nächste Woche ist Blockwoche; es findet kein regulärer Unterricht statt.
- Diese Woche fällt die Übung aus.
6.12 KEIN UNTERRICHT in dieser Woche
6.13 Wiederholung
6.13.1 Lernziele
- Sie vertiefen Ihr Wissen in den bisher gelernten Themen.
6.13.2 Hinweise
- In dieser Woche fällt die Vorlesung aus (Pfingsten).
6.14 Fallstudie zur Regression
6.14.1 Lernziele
- Sie können die gelernten Techniken der Regressionsanalyse praktisch anwenden.
6.14.2 Vorbereitung
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.14.3 Literatur
- NA
6.14.4 Videos
6.14.5 Aufgaben
6.15 Klassifikation
6.15.1 Lernziele
- Sie verstehen die Grundkonzepte der logistischen Regression und können diese in R anwenden.
6.15.2 Vorbereitung
- Lesen Sie die Literatur.
- Sehen Sie sich ggf. das Video zum Folienskript an.
6.15.3 Literatur
- MODAR, Kap. 19
6.16 Vertiefung
6.16.1 Lernziele
- Sie erwerben tieferes Wissen in den Stoffgebieten dieses Kurses.
6.16.2 Hinweise
- Nach dieser Woche endet der Unterricht.
7 Prüfung
7.1 Was ist das für eine Prüfung?
Bei der Prüfung handelt es sich um einen Prognosewettbewerb.
7.2 Hinweise zur Prüfung
- Hinweise zur Prüfung
- Einfache, beispielhafte Vorhersagemodellierung (Video)
- Der gesamte Stoff, der im Unterricht behandelt bzw. für den Kurs bereitgestellt ist, ist prüfungsrelvant. Eine Ausnahme ist, wenn bestimmte Inhalte explizit als “nicht prüfungsrelevant” gekennzeichnet sind.
- Denken Sie daran, sich rechtzeitig zu den Prüfungsleistungen anzumelden. Beachten Sie, dass die Fristen für Anmeldung und Abgabe (Hochladen der Prüfungsleistung) unterschiedlich sein können.
8 Literaturverzeichnis
Bueno de Mesquita, E. and A. Fowler, ed. (2021). Thinking clearly with data: a guide to quantitative reasoning and analysis. 1st. edition. Princeton University Press. 1 p.
Çetinkaya-Rundel, M. and J. Hardin (2021). Introduction to Modern Statistics. OpenIntro. OpenIntro.
Knorrenschild, M. (2021). Vorkurs Mathematik: ein Übungsbuch für Fachhochschulen. 5., aktualisierte Auflage. Mathematik - Studienhilfen. Hanser. 164 pp.
Sauer, S. (2019). Moderne Datenanalyse mit R: Daten einlesen, aufbereiten, visualisieren und modellieren. 1. Auflage 2019. FOM-Edition. Springer.
Wickham, H. and G. Grolemund (2018). R für Data Science: Daten importieren, bereinigen, umformen, modellieren und visualisieren. Trans. by F. Langenau. 1. Auflage. O’Reilly. 473 pp.
9 Kudos
Beim Schreiben dieses Kurses habe ich auf der Vorarbeit vieler Menschen aufgebaut. Viele Menschen haben mich unterstützt, großzügig und auf verschiedene Weise.
Einige möchte ich herausgreifen, um Danke zu sagen:
- Kollegis wie Karsten Lübke vom ifes-Institut der FOM Hochschule, von denen ich viel gelernt habe.
- Alle Open-Source-Entwickler, die Projekte wie dieses überhaupt erst möglichen machen. 💌